Los autores proponen OT-ICA, un nuevo algoritmo para el Análisis de Componentes Independientes Lineal que mide la no-gaussianidad utilizando la distancia de Wasserstein al cuadrado hacia una gaussiana estándar en lugar de funciones de contraste proxy. Demuestran que esta distancia se maximiza cuando las proyecciones recuperan un componente independiente e implementan el método mediante optimización basada en gradientes.
- Reemplaza la optimización de negentropía intratable con la distancia de Wasserstein al cuadrado $W_2^2$.
- Maximiza la distancia de Wasserstein entre una normal estándar y proyecciones lineales de datos.
- Supera a los métodos basados en proxy en datos simulados a través de diferentes distribuciones de variables latentes.
- Aplicado con éxito a la eliminación de artefactos EEG y al descubrimiento de precios econométricos sin supuestos de distribución.
OT-ICA proporciona una alternativa viable para tareas de ICA aplicada al evitar la necesidad de supuestos de distribución requeridos por los métodos clásicos.